本篇研究介绍了一种后处理解释器，可以从图形中提取关键诊断实体，从而进行细胞和细胞间的分类。该解释器具有广泛的应用前景，与数字病理的拓扑表示法相结合，可以产生更全面的解释性结果。

Jul, 2020

应对医疗领域深度学习的 “黑箱” 挑战，我们将 GCExplainer（一种自动概念发现解决方案）与 Logic Explained Networks 结合起来，为图神经网络提供全局解释。我们通过使用普遍适用的图构建和分类流程（包括 HoVer-Net 的全景分割和图卷积网络的癌症预测）来展示这一点。通过在乳腺癌的 H&E 切片上训练，我们展示了为临床医生提供可解释和可信赖的人工智能工具的有希望结果。

Dec, 2023

我们开发了 KS-GNNExplainer，这是第一个利用现有实例级方法以有效方式提供更具信息和可靠的可解释输出的实例级图神经网络解释器，从而使得基于图形的组织病理学图像分析可以显著受益。我们的实验表明，该解释器能够成为全局模式提取器，从而克服了当前实例级方法在该领域中的基本局限性。

Apr, 2023

本文介绍了解释方法在数字病理学中的应用，以生成热图来解决深度学习方法在数字组织病理学分析中遇到的常见问题，包括对组织病理学数据固有的偏见。通过像素级热图的方法，我们能够精确诊断并帮助发现和消除数据中的偏见，证明解释方法是数字病理学应用开发和部署阶段中的有益工具。

Aug, 2019

本研究提出了一种基于整张切片图像的图像学习算法，利用基于位置的嵌入和图形注意机制，采用样条卷积神经网络进行结点位置嵌入，用于肾癌和前列腺癌的分级诊断，并使用渐变解释方法生成突出显着的区域地图，从而使该方法可解释性更好地识别 WSI 中的癌症区域。

Jun, 2023

本文综述了当前图神经网络可解释性方法，并建立了标准化的测试集，为以后的方法发展提供了经验基础。

Dec, 2020

本文通过实验研究，测试了十种解释器在八种代表性架构训练的六个仔细设计的图形和节点分类数据集上的表现，提供了 GNN 解释器选择和适用性的关键见解，分离了使它们可用的关键组件并提供了关于如何避免常见解释误区的建议，并强调了未来研究的开放性问题和方向。

Oct, 2022

我们提出了一种修改后的解释方法，通过修剪不同层的相关传播来降低噪音，同时集中关注最重要的特征，从而提高深度神经网络输出的解释性。

Apr, 2024

本文全面梳理了针对可解释的图神经网络的技术，并基于这些技术对它们进行了分类，给出了衡量其性能的常见指标，最后指出了未来的研究方向。

Jul, 2022

通过评估基准数据集上的模型并将其应用于真实世界数据，本研究探讨了在生物数据领域应用机器学习模型的挑战以及解释性方法的评估，以检测谷物疾病和损坏。

Jun, 2024